YOLO11 YOLOv5: مقارنة تقنية شاملة بين Ultralytics

يعد اختيار بنية الشبكة العصبية المناسبة قرارًا محوريًا لأي مبادرة في مجال الرؤية الحاسوبية. مع تطور مجال الذكاء الاصطناعي ، تتطور أيضًا الأدوات المتاحة للمطورين والباحثين. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين نموذجين بارزين من Ultralytics : النموذج الشهير YOLOv5 المتقدم YOLO11.

سواء كنت تقوم بنشر نماذج خفيفة الوزن لتطبيقات الذكاء الاصطناعي المتطورة أو معالجة تدفقات الفيديو عالية الدقة على وحدات معالجة الرسومات السحابية، فإن فهم الفروق الدقيقة في البنية ومقاييس الأداء وحالات الاستخدام المثالية لهذه النماذج سيضمن لك اتخاذ قرار قائم على البيانات لقيود النشر الخاصة بك.

سلسلة الطرازات والتفاصيل الفنية

يعكس كلا النموذجين التزام Ultralytics بالتعاون مفتوح المصدر، والأداء القوي، وسهولة الاستخدام التي لا مثيل لها، مما يجعلهما مفضلين للغاية لدى مجتمع التعلم الآلي العالمي.

YOLO11

• المؤلفون: جلين جوشر وجينغ تشيو
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: ultralytics
• المستندات: YOLO11

تعرف على المزيد حول YOLO11

YOLOv5

• المؤلفون: غلين جوشر
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: yolov5
• المستندات: YOLOv5

تعرف على المزيد حول YOLOv5

الاختلافات المعمارية

YOLO11 التطور من YOLOv5 YOLO11 عدة تغييرات عميقة في البنية الهندسية بهدف تحسين الدقة وكفاءة المعلمات.

YOLOv5 رائدًا في PyTorch ، حيث قدمت شبكة أساسية CSPNet (شبكة جزئية متعددة المراحل) عالية التحسين وشبكة PANet (شبكة تجميع المسارات). اعتمدت على الكشف القائم على المراسي، والذي يتطلب مربعات مراسي محددة مسبقًا للتنبؤ بحدود الكائنات. على الرغم من فعاليتها العالية، إلا أن ضبط هذه المراسي لمجموعات بيانات الرؤية الحاسوبية المخصصة قد يكون أمرًا مرهقًا.

في المقابل، YOLO11 إلى نموذج كشف أكثر حداثة وخالي من المراسي. وهذا يلغي الحاجة إلى ضبط مربع المرسى يدويًا، مما يبسط عملية التدريب ويحسن التعميم عبر مجموعات بيانات متنوعة مثل COCO . بالإضافة إلى ذلك، YOLO11 برأس منفصل، مما يعني أن مهام التصنيف وانحدار مربع الحدود تتم معالجتها في فروع منفصلة. هذا الفصل يحسن بشكل كبير سرعة التقارب ومتوسط الدقة (mAP)، خاصة في سيناريوهات الكشف عن الكائنات المعقدة.

مقاييس ومعايير الأداء

يُقارن الجدول أدناه المقاييس الرئيسية عبر أحجام النماذج المختلفة. تشتهر Ultralytics بمتطلباتها من الذاكرة، حيث تستهلك عادةً CUDA أقل أثناء التدريب مقارنةً بالبدائل الثقيلة القائمة على المحولات، مما يقلل بشكل كبير من حاجز الأجهزة للدخول.

كما لوحظ، يحقق YOLO11 توازن أداء إيجابي للغاية، ويقدم باستمرار درجات mAP أعلى عند أعداد معلمات مماثلة لنظرائه من YOLOv5.

منهجيات التدريب وسهولة الاستخدام

من المبادئ الأساسية لفلسفة Ultralytics هي سهولة الاستخدام الاستثنائية، مدعومة بنظام بيئي مُصان جيدًا ودعم مجتمعي واسع النطاق.

اعتمد YOLOv5 على نصوص برمجية قوية لواجهة سطر الأوامر (CLI) (train.py, detect.py) للتنفيذ. على الرغم من قوتها، فإن دمج هذه البرامج النصية مباشرة في تطبيقات python المخصصة غالبًا ما يتطلب حلولًا بديلة.

YOLO11 في هذا المجال من خلال تقديمها لنظام مبسط ultralytics Python . تتولى واجهة برمجة التطبيقات الموحدة هذه كل شيء بدءًا من التدريب وحتى تصدير النماذج تنسيقات مثل ONNX, OpenVINO، و TensorRT بشكل أصلي.

مقارنة التعليمات البرمجية

أصبح تدريب Ultralytics اليوم فعالاً للغاية. إليك كيفية تدريب YOLO11 Python الأصلية الخاصة به:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

بالنسبة للأنظمة القديمة التي تستخدم YOLOv5، CLI التدريب عبر CLI كما يلي:

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

حالات الاستخدام المثالية والتطبيقات الواقعية

يمتلك كلا النموذجين نقاط قوة مميزة مصممة خصيصًا لبيئات تشغيل مختلفة.

متى تستخدم YOLOv5

على الرغم من الجيل الأحدث، لا يزال YOLOv5 قوة لا يستهان بها. يوصى به بشدة من أجل:

• تكامل الأنظمة القديمة: البيئات المدمجة بعمق مع هياكل tensor المحددة لـ YOLOv5 أو مسارات النشر التي لا يمكن إعادة هيكلتها بسهولة.
• الأسس الأكاديمية: للباحثين الذين يحتاجون إلى أسس راسخة وطويلة الأمد للدراسات الأكاديمية القابلة للتكرار في تحليل الصور الطبية.

متى تستخدم YOLO11

YOLO11 الخيار المثالي لخطوط الإنتاج الحديثة بفضل تنوعه المذهل:

• بيئات المهام المتعددة: على عكس YOLOv5، الذي هو في الأساس كاشف (مع إضافات تجزئة لاحقة)، يدعم YOLO11 أصلاً تجزئة الكائنات، تصنيف الصور، تقدير الوضعية، واكتشاف صناديق الإحاطة الموجهة (OBB) جاهزًا للاستخدام.
• تحليلات الفيديو عالية الكثافة: مثالي لأنظمة المرور الذكية أو إدارة مخزون التجزئة حيث يكون استخلاص أقصى دقة من المشاهد المعقدة أمرًا بالغ الأهمية.

التطلع إلى المستقبل: بنية YOLO26

في حين أن YOLO11 معيارًا استثنائيًا، فإن مجال الرؤية الحاسوبية يواصل تقدمه السريع. يجب على المطورين الذين يسعون إلى تحقيق أعلى مستويات الكفاءة أن يأخذوا في الاعتبار أحدث إصدار من Ultralytics (الذي تم إصداره في يناير 2026).

يمثل YOLO26 قفزة هائلة إلى الأمام، وهو مصمم خصيصًا لتحسين الأداء على الحافة وعلى نطاق المؤسسات. وتشمل الابتكارات الرئيسية ما يلي:

• تصميم شامل بدون NMS: يتميز YOLO26 بتصميم شامل بطبيعته، مما يلغي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS) لنشر أسرع وأبسط.
• إزالة DFL: تمت إزالة خسارة التركيز التوزيعي لتصدير نموذج مبسط وتوافق محسن مع الأجهزة منخفضة الطاقة.
• مُحسِّن MuSGD: هجين رائد من SGD و Muon، يجلب استقرار تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية لتقارب أسرع.
• سرعة استدلال أسرع بنسبة تصل إلى 43% على الـ CPU: تم تحسينه بشكل كبير لعمليات نشر إنترنت الأشياء والأجهزة التي لا تحتوي على وحدات GPU مخصصة.
• ProgLoss + STAL: دوال خسارة محسنة بشكل كبير تحقق تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر حيوي لصور الطائرات الجوية بدون طيار.

تعرف على المزيد حول YOLO26

ملخص

يعتمد الاختيار بين YOLO11 و YOLOv5 في النهاية على مرحلة دورة حياة مشروعك. لا يمكن إنكار إرث YOLOv5، حيث يقدم استقرارًا فائقًا ودعمًا مجتمعيًا هائلاً. ومع ذلك، لأي مشروع جديد، يوصى بشدة باستخدام YOLO11 على الأجيال الأقدم. فهو يجمع بين الدقة المتطورة، وواجهة برمجة تطبيقات Python أنيقة بشكل استثنائي، ونفقات ذاكرة تدريب أقل، مما يعزز مكانة Ultralytics في طليعة الابتكار في مجال الذكاء الاصطناعي. بالنسبة لأولئك الذين يدفعون الحدود إلى أبعد من ذلك، سيؤدي استكشاف YOLO26 المتطور على منصة Ultralytics إلى تحقيق نتائج لا مثيل لها.

تعليقات